Биовдохновленные вычисления

В этой статье есть несколько проблем. Помогите улучшить ее или обсудите эти проблемы на странице обсуждения . ( Узнайте, как и когда удалять эти сообщения ) Эта статья может потребовать очистки для соответствия стандартам качества Википедии . Конкретная проблема: эта статья имеет потенциал, но в настоящее время в основном используется как вешалка для WP:REFSPAM .Пожалуйста, помогите улучшить эту статью, если можете. ( август 2016 г. )( Узнайте, как и когда удалить это сообщение ) Данная статья , возможно, содержит оригинальное исследование .Пожалуйста, улучшите его, проверив сделанные заявления и добавив встроенные цитаты . Заявления, состоящие только из оригинальных исследований, должны быть удалены. ( Сентябрь 2021 )( Узнайте, как и когда удалить это сообщение ) Нейтральность этой статьи оспаривается .Соответствующее обсуждение можно найти на странице обсуждения . Пожалуйста, не удаляйте это сообщение, пока не будут выполнены условия для этого . ( Сентябрь 2021 )( Узнайте, как и когда удалить это сообщение ) ( Узнайте, как и когда удалить это сообщение )

Биовдохновленные вычисления , сокращение от биологически вдохновленные вычисления , — это область исследований, которая стремится решать проблемы компьютерной науки с использованием моделей биологии. Она связана с коннекционизмом , социальным поведением и возникновением . В компьютерной науке биовдохновленные вычисления связаны с искусственным интеллектом и машинным обучением. Биовдохновленные вычисления являются основным подмножеством естественных вычислений .

Ранние идеи

Идеи, лежащие в основе биологических вычислений, восходят к 1936 году и первому описанию абстрактного компьютера, который сейчас известен как машина Тьюринга . Тьюринг впервые описал абстрактную конструкцию, используя биологический образец. Тьюринг представил себе математика, который имеет три важных атрибута. ^[1] У него всегда есть карандаш с ластиком, неограниченное количество бумаг и рабочий набор глаз. Глаза позволяют математику видеть и воспринимать любые символы, написанные на бумаге, в то время как карандаш позволяет ему писать и стирать любые символы, которые он хочет. Наконец, неограниченная бумага позволяет ему хранить в памяти все, что он хочет. Используя эти идеи, он смог описать абстракцию современного цифрового компьютера. Однако Тьюринг упомянул, что все, что может выполнять эти функции, можно считать такой машиной, и он даже сказал, что даже электричество не должно требоваться для описания цифровых вычислений и машинного мышления в целом. ^[2]

Нейронные сети

Впервые описанные в 1943 году Уорреном Маккалоком и Уолтером Питтсом, нейронные сети являются распространенным примером биологических систем, вдохновивших создание компьютерных алгоритмов. ^[3] Они впервые математически описали, что система упрощенных нейронов способна производить простые логические операции, такие как логическая конъюнкция , дизъюнкция и отрицание . Они также показали, что система нейронных сетей может быть использована для выполнения любых вычислений, требующих конечной памяти. Около 1970 года исследования вокруг нейронных сетей замедлились, и многие считают книгу 1969 года Марвина Мински и Сеймура Паперта главной причиной. ^{[4] [5]} Их книга показала, что модели нейронных сетей могут моделировать только системы, основанные на булевых функциях, которые становятся истинными только после определенного порогового значения. Такие функции также известны как пороговые функции . Книга также показала, что большое количество систем не может быть представлено как таковое, что означает, что большое количество систем не может быть смоделировано нейронными сетями. Другая книга Джеймса Рамельхарта и Дэвида Макклелланда, вышедшая в 1986 году, вернула нейронные сети в центр внимания, продемонстрировав линейный алгоритм обратного распространения, который позволил разработать многослойные нейронные сети, не придерживающиеся этих ограничений. ^[6]

Колонии муравьев

В 1979 году Дуглас Хофштадтер описал идею биологической системы, способной выполнять интеллектуальные вычисления, даже если особи, составляющие систему, могут быть неразумными. ^[7] Более конкретно, он привел пример колонии муравьев, которая может выполнять интеллектуальные задачи вместе, но каждый отдельный муравей не может демонстрировать то, что называется « эмерджентным поведением ». Азими и др. в 2009 году показали, что то, что они описали как алгоритм «муравьиной колонии», алгоритм кластеризации, который способен выводить количество кластеров и создавать высококонкурентные финальные кластеры, сопоставимые с другими традиционными алгоритмами. ^[8] Наконец, Гёльдер и Уилсон в 2009 году пришли к выводу, используя исторические данные, что муравьи эволюционировали, чтобы функционировать как единая колония «супергранизма». ^{[9] Очень важный результат, поскольку он предполагает, что} эволюционные алгоритмы группового отбора , связанные вместе с алгоритмами, похожими на «муравьиную колонию», могут потенциально использоваться для разработки более мощных алгоритмов.

Некоторые области исследований в области биологически вдохновленных вычислений и их биологических аналогов:

Биоинспирированные вычисления, которые работают с популяцией возможных решений в контексте эволюционных алгоритмов или в контексте алгоритмов роевого интеллекта , подразделяются на популяционные биоинспирированные алгоритмы (PBBIA). ^[10] Они включают эволюционные алгоритмы , оптимизацию роя частиц , алгоритмы оптимизации колонии муравьев и алгоритмы колонии искусственных пчел .

Био-вдохновленные вычисления могут быть использованы для обучения виртуального насекомого. Насекомое обучается ориентироваться в неизвестной местности для поиска пищи, снабженной шестью простыми правилами:

• поверните направо для цели и препятствия слева;
• поверните налево для цели и препятствия справа;
• повернуть налево к цели-налево-препятствие-направо;
• повернуть направо к цели-направо-препятствию-налево;
• повернуть налево к цели - налево без препятствий;
• поверните направо к цели-направо без препятствий.

Виртуальное насекомое, управляемое обученной нейронной сетью со спайками, может найти пищу после обучения в любой неизвестной местности. ^[11] После нескольких поколений применения правил обычно возникают некоторые формы сложного поведения . Сложность наращивается на сложность, пока результат не станет чем-то заметно сложным, и довольно часто полностью противоречащим тому, что можно было бы ожидать от исходных правил (см. сложные системы ). По этой причине при моделировании нейронной сети необходимо точно моделировать сеть in vivo , путем живого сбора коэффициентов «шума», которые можно использовать для уточнения статистического вывода и экстраполяции по мере увеличения сложности системы. ^[12]

Естественная эволюция является хорошей аналогией этого метода — правила эволюции ( отбор , рекомбинация /воспроизведение, мутация и в последнее время транспозиция ) в принципе являются простыми правилами, однако за миллионы лет они произвели на свет удивительно сложные организмы. Похожая техника используется в генетических алгоритмах .

Мозговые вычисления относятся к вычислительным моделям и методам, которые в основном основаны на механизме мозга, а не полностью имитируют мозг. Цель состоит в том, чтобы позволить машине реализовать различные когнитивные способности и механизмы координации людей в манере, вдохновленной мозгом, и в конечном итоге достичь или превзойти уровень человеческого интеллекта.

Исследователи искусственного интеллекта теперь знают о преимуществах обучения на основе механизма обработки информации мозгом. И прогресс науки о мозге и нейронауки также обеспечивает необходимую основу для обучения искусственного интеллекта на основе механизма обработки информации мозгом. Исследователи мозга и нейронауки также пытаются применить понимание обработки информации мозгом к более широкому спектру научных областей. Развитие дисциплины выигрывает от толчка информационных технологий и интеллектуальных технологий, и в свою очередь мозг и нейронаука также вдохновят следующее поколение на трансформацию информационных технологий.

Достижения в области мозга и нейронауки, особенно с помощью новых технологий и нового оборудования, помогают исследователям получать многомасштабные, многотипные биологические доказательства мозга с помощью различных экспериментальных методов и пытаются раскрыть структуру биоинтеллекта с разных сторон и функциональной основы. От микроскопических нейронов, синаптических рабочих механизмов и их характеристик до модели мезоскопической сетевой связи , до связей в макроскопическом интервале мозга и их синергетических характеристик, многомасштабная структура и функциональные механизмы мозга, полученные из этих экспериментальных и механистических исследований, обеспечат важное вдохновение для построения будущей модели вычислений, вдохновленной мозгом. ^[13]

В широком смысле, чип, вдохновленный мозгом, относится к чипу, разработанному с учетом структуры нейронов человеческого мозга и когнитивного режима человеческого мозга. Очевидно, что « нейроморфный чип» — это чип, вдохновленный мозгом, который фокусируется на проектировании структуры чипа с учетом модели нейронов человеческого мозга и структуры его ткани, что представляет собой основное направление исследований чипов, вдохновленных мозгом. Наряду с ростом и развитием «мозговых планов» в разных странах появилось большое количество результатов исследований нейроморфных чипов, которые получили широкое международное внимание и хорошо известны академическому сообществу и отрасли. Например, поддерживаемые ЕС SpiNNaker и BrainScaleS, Neurogrid Стэнфорда , TrueNorth IBM и Zeroth Qualcomm .

TrueNorth — это чип, вдохновленный мозгом, который IBM разрабатывает уже почти 10 лет. Программа DARPA США финансирует IBM для разработки импульсных нейронных сетевых чипов для интеллектуальной обработки с 2008 года. В 2011 году IBM впервые разработала два прототипа когнитивного кремния, имитируя структуры мозга, которые могли бы обучаться и обрабатывать информацию, как мозг. Каждый нейрон чипа, вдохновленного мозгом, перекрестно соединен с массивным параллелизмом. В 2014 году IBM выпустила чип второго поколения, вдохновленный мозгом, под названием «TrueNorth». По сравнению с чипами первого поколения, вдохновленными мозгом, производительность чипа TrueNorth резко возросла, а количество нейронов увеличилось с 256 до 1 миллиона; количество программируемых синапсов увеличилось с 262 144 до 256 миллионов; Субсинаптическая работа с общим энергопотреблением 70 мВт и энергопотреблением 20 мВт на квадратный сантиметр. При этом TrueNorth обрабатывает ядерный объем всего лишь 1/15 от первого поколения мозговых чипов. В настоящее время IBM разработала прототип нейронного компьютера, использующего 16 чипов TrueNorth с возможностями обработки видео в реальном времени. ^[14] Сверхвысокие показатели и превосходство чипа TrueNorth вызвали большой переполох в академическом мире в начале его выпуска.

В 2012 году Институт вычислительной техники Китайской академии наук (CAS) и французская Inria объединились для разработки первого в мире чипа для поддержки архитектуры процессора глубокой нейронной сети «Cambrian». ^[15] Технология победила на лучших международных конференциях в области компьютерной архитектуры, ASPLOS и MICRO, а ее метод проектирования и производительность получили международное признание. Чип может быть использован в качестве выдающегося представителя исследовательского направления чипов, вдохновленных мозгом.

Человеческий мозг является продуктом эволюции. Хотя его структура и механизм обработки информации постоянно оптимизируются, компромиссы в процессе эволюции неизбежны. Черепная нервная система является многомасштабной структурой. В механизме обработки информации на каждом масштабе все еще существует несколько важных проблем, таких как тонкая структура связей нейронных шкал и механизм обратной связи между мозгом и шкалой. Поэтому даже всеобъемлющий расчет количества нейронов и синапсов составляет всего 1/1000 размера человеческого мозга, и его все еще очень трудно изучать на текущем уровне научных исследований. ^[16] Последние достижения в области моделирования мозга связали индивидуальную изменчивость скорости когнитивной обработки человека и подвижного интеллекта с балансом возбуждения и торможения в структурных сетях мозга , функциональной связностью , принятием решений по принципу «победитель получает все» и рабочей памятью аттрактора . ^[17]

В будущих исследованиях модели когнитивных вычислений мозга необходимо смоделировать систему обработки информации мозга на основе результатов анализа данных многомасштабной нейронной системы мозга, построить многомасштабную вычислительную модель нейронной сети, вдохновленную мозгом, и смоделировать многомодальность мозга в многомасштабном масштабе. Интеллектуальные поведенческие способности, такие как восприятие, самообучение и память, а также выбор. Алгоритмы машинного обучения не являются гибкими и требуют высококачественных выборочных данных, которые вручную маркируются в большом масштабе. Модели обучения требуют больших вычислительных затрат. Искусственный интеллект, вдохновленный мозгом, по-прежнему не обладает продвинутыми когнитивными способностями и способностью к логическому обучению.

Большинство существующих чипов, вдохновленных мозгом, по-прежнему основаны на исследовании архитектуры фон Неймана, и большинство материалов для производства чипов по-прежнему используют традиционные полупроводниковые материалы. Нейронный чип заимствует только самую базовую единицу обработки информации мозга. Самая базовая компьютерная система, такая как хранение и вычислительное слияние, механизм импульсного разряда, механизм связи между нейронами и т. д., а также механизм между различными масштабными единицами обработки информации не были интегрированы в изучение архитектуры вычислений, вдохновленных мозгом. Сейчас важной международной тенденцией является разработка компонентов нейронных вычислений, таких как мемристоры мозга, контейнеры памяти и сенсорные датчики, на основе новых материалов, таких как нанометры, тем самым поддерживая построение более сложных архитектур вычислений, вдохновленных мозгом. Разработка компьютеров, вдохновленных мозгом, и крупномасштабных систем вычислений мозга, основанных на разработке чипов, вдохновленных мозгом, также требует соответствующей программной среды для поддержки ее широкого применения.

Эта статья в формате списка , но может лучше читаться как проза . Вы можете помочь, преобразовав эту статью, если это уместно. Доступна помощь в редактировании . ( Декабрь 2016 )

• Применение искусственного интеллекта
• Поведенческая робототехника
• Биоинформатика
• Бионика
• Когнитивная архитектура
• Когнитивное моделирование
• Когнитивная наука
• Коннекционизм
• Цифровой морфогенез
• Цифровой организм
• Нечеткая логика
• Программирование экспрессии генов
• Генетический алгоритм
• Генетическое программирование
• Джеральд Эдельман
• Джанин Бениус
• Система классификаторов обучения
• Марк А. О'Нил
• Математическая биология
• Математическая модель
• Натуральные вычисления
• Нейроэволюция
• Олаф Спорнс
• Органические вычисления
• Нетрадиционные вычисления

Списки

• Список новых технологий
• Очерк искусственного интеллекта

(ниже перечислены в порядке возрастания сложности и глубины, при этом новичкам в этой области рекомендуется начинать сверху)

• «Алгоритмы, вдохновлённые природой»
• «Биологически вдохновленные вычисления»
• «Цифровая биология», Питер Дж. Бентли.
• «Первый международный симпозиум по биологически вдохновленным вычислениям»
• Возникновение: взаимосвязанные жизни муравьев, мозгов, городов и программного обеспечения , Стивен Джонсон.
• Журнал доктора Добба , апрель 1991 г. (Тема выпуска: Биокомпьютерная техника)
• Черепахи, термиты и пробки , Митчел Резник.
• Понимание нелинейной динамики , Дэниел Каплан и Леон Гласс .
• Ридж, Э.; Куденко, Д.; Казаков, Д.; Карри, Э. (2005). «Перемещение вдохновленных природой алгоритмов в параллельные, асинхронные и децентрализованные среды». Самоорганизация и автономная информатика (I) . 135 : 35–49 . CiteSeerX  10.1.1.64.3403 .
• Рои и роевой интеллект Майкла Г. Хинчи, Роя Стеррита и Криса Раффа,
• Основы естественных вычислений: основные концепции, алгоритмы и приложения , LN de Castro, Chapman & Hall/CRC, июнь 2006 г.
• «Вычислительная красота природы», Гэри Уильям Флейк. MIT Press. 1998, твердый переплет; 2000, мягкий переплет. Глубокое обсуждение многих тем и основных тем биоинспирированных вычислений.
• Кевин М. Пассино, Биомимикрия для оптимизации, управления и автоматизации, Springer-Verlag, Лондон, Великобритания, 2005.
• Последние разработки в области биологически вдохновленных вычислений , Л. Н. де Кастро и Ф. Дж. фон Зубен, Idea Group Publishing, 2004.
• Нэнси Форбс, Имитация жизни: как биология вдохновляет вычислительную технику, MIT Press, Кембридж, Массачусетс, 2004.
• М. Блоуэрс и А. Систи, Эволюционные и био-вдохновленные вычисления: теория и приложения , SPIE Press, 2007.
• XS Yang, ZH Cui, RB Xiao, AH Gandomi, M. Karamanoglu, Роевой интеллект и био-вдохновленные вычисления: теория и приложения , Elsevier, 2013.
• «Конспект лекций по биологически вдохновленным вычислениям», Луис М. Роча
• Переносимая система программирования UNIX (PUPS) и CANTOR: вычислительная среда для динамического представления и анализа сложных нейробиологических данных , Марк А. О'Нил и Клаус-К. Хильгетаг, Фил Trans R Soc Lond B 356 (2001), 1259–1276
• «Возвращаясь к нашим корням: биокомпьютеры второго поколения», Дж. Тиммис, М. Амос, В. Банцхаф и А. Тиррелл, Журнал нетрадиционных вычислений 2 (2007) 349–378.
• Нойманн, Франк; Витт, Карстен (2010). Биовдохновленные вычисления в комбинаторной оптимизации. Алгоритмы и их вычислительная сложность . Серия Natural Computing. Берлин: Springer-Verlag . ISBN 978-3-642-16543-6. Збл  1223.68002.
• Брабазон, Энтони; О'Нил, Майкл (2006). Биологически вдохновленные алгоритмы для финансового моделирования . Серия Natural Computing. Берлин: Springer-Verlag . ISBN 978-3-540-26252-7. Збл  1117.91030.
• CM. Pintea, 2014, Достижения в области биотехнологий для решения задач комбинаторной оптимизации, Springer ISBN 978-3-642-40178-7 
• «PSA: новый алгоритм оптимизации, основанный на правилах выживания porcellio scaber», Y. Zhang и S. Li

• Группа Nature Inspired Computing and Engineering (NICE), Университет Суррея, Великобритания
• Проект ALife в Сассексе
• Биологически вдохновленные вычисления для проекта «Нейрохимия» по химическому зондированию
• И Корпорация
• Центр передового опыта по исследованиям в области вычислительного интеллекта и приложений, Бирмингем, Великобритания
• BiSNET: Биологически вдохновленная архитектура для Sensor NETworks
• BiSNET/e: Архитектура когнитивной сенсорной сети с эволюционной многоцелевой оптимизацией
• Биологически вдохновленные нейронные сети
• NCRA UCD, Дублин, Ирландия
• Органическая вычислительная среда PUPS/P3 для Linux
• SymbioticSphere: вдохновленная биологией архитектура для масштабируемых, адаптивных и живучих сетевых систем
• Алгоритм «бегун-корень»
• Команда по беспроводным сетям, вдохновленная биотехнологиями (BioNet)
• Биологически вдохновленный интеллект